gpt4 book ai didi

python - PyMC:分层隐马尔可夫模型

转载 作者:行者123 更新时间:2023-12-01 05:31:07 29 4
gpt4 key购买 nike

这是 PyMC: Parameter estimation in a Markov system 的后续内容

我有一个由每个时间步的位置和速度定义的系统。系统的行为定义为:

vel = vel + damping * dt
pos = pos + vel * dt

所以,这是我的 PyMC 模型。估计velpos以及最重要的damping

# PRIORS
damping = pm.Normal("damping", mu=-4, tau=(1 / .5**2))
# we assume some system noise
tau_system_noise = (1 / 0.1**2)

# the state consist of (pos, vel); save in lists
# vel: we can't judge the initial velocity --> assume it's 0 with big std
vel_states = [pm.Normal("v0", mu=-4, tau=(1 / 2**2))]
# pos: the first pos is just the observation
pos_states = [pm.Normal("p0", mu=observations[0], tau=tau_system_noise)]

for i in range(1, len(observations)):
new_vel = pm.Normal("v" + str(i),
mu=vel_states[-1] + damping * dt,
tau=tau_system_noise)
vel_states.append(new_vel)
pos_states.append(
pm.Normal("s" + str(i),
mu=pos_states[-1] + new_vel * dt,
tau=tau_system_noise)
)

# we assume some observation noise
tau_observation_noise = (1 / 0.5**2)
obs = pm.Normal("obs", mu=pos_states, tau=tau_observation_noise, value=observations, observed=True)

这就是我运行采样的方式:

mcmc = pm.MCMC([damping, obs, vel_states, pos_states])
mcmc.sample(50000, 25000)
pm.Matplot.plot(mcmc.get_node("damping"))
damping_samples = mcmc.trace("damping")[:]
print "damping -- mean:%f; std:%f" % (mean(damping_samples), std(damping_samples))
print "real damping -- %f" % true_damping

阻尼的值由先验决定。即使我将之前的值更改为 Uniform 或其他什么,情况仍然如此。

我做错了什么?它与前面的示例非常相似,只是多了一层。

此问题的完整 IPython 笔记本可在此处找到:http://nbviewer.ipython.org/github/sotte/random_stuff/blob/master/PyMC%20-%20HMM%20Dynamic%20System.ipynb

[编辑:一些说明和采样代码。]

[EDIT2:@Chris 的回答没有帮助。我无法使用 AdaptiveMetropolis 因为 *_states 似乎不是模型的一部分。]

最佳答案

该模型存在一些问题,请再次查看。首先也是最重要的,您没有将所有 PyMC 对象添加到模型中。您仅添加了[damping, obs]。您应该将所有 PyMC 节点传递给模型。

另请注意,您无需同时调用 ModelMCMC。这很好:

model = pm.MCMC([damping, obs, vel_states, pos_states])

PyMC 的最佳工作流程是将模型保存在与运行逻辑分开的文件中。这样,您只需导入模型并将其传递给 MCMC:

import my_model

model = pm.MCMC(my_model)

或者,您可以将模型编写为函数,返回locals(或vars),然后调用该函数作为MCMC的参数>。例如:

def generate_model():

# put your model definition here

return locals()

model = pm.MCMC(generate_model())

关于python - PyMC:分层隐马尔可夫模型,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20289287/

29 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com